Kauf mir einen Kaffee☕
*Memos:
-
Mein Beitrag erklärt gt() und lt().
-
Mein Beitrag erklärt ge() und le().
-
Mein Beitrag erklärt isclose() und equal().
eq() kann prüfen, ob die null oder mehr Elemente des 1. 0D- oder mehr D-Tensors elementweise gleich den null oder mehr Elementen des 2. 0D oder mehr D-Tensors sind, und den 0D oder mehr D-Tensor von erhalten Null oder mehr Elemente, wie unten gezeigt:
*Memos:
-
eq() kann mit Torch oder einem Tensor verwendet werden.
- Das 1. Argument (Eingabe) mit Torch oder unter Verwendung eines Tensors (Required-Type:Tensor von int, float, complex oder bool).
- Das 2. Argument mit Torch oder das 1. Argument mit einem Tensor ist other(Required-Type:Tensor oder Skalar von int, float, complex oder bool).
- Es gibt kein Argument mit Torch(Optional-Default:None-Type:tensor):
*Memos:
-
out= muss verwendet werden.
-
Mein Beitrag erklärt unser Argument.
- Das Ergebnis ist der höhere D-Tensor, der mehr Elemente enthält.
import torch
tensor1 = torch.tensor([5, 0, 3])
tensor2 = torch.tensor([7, 0, 3])
torch.eq(input=tensor1, other=tensor2)
tensor1.eq(other=tensor2)
torch.eq(input=tensor2, other=tensor1)
# tensor([False, True, True])
tensor1 = torch.tensor(5)
tensor2 = torch.tensor([[3, 5, 4],
[6, 3, 5]])
torch.eq(input=tensor1, other=tensor2)
torch.eq(input=tensor2, other=tensor1)
# tensor([[False, True, False],
# [False, False, True]])
torch.eq(input=tensor1, other=3)
# tensor(False)
torch.eq(input=tensor2, other=3)
# tensor([[True, False, False],
# [False, True, False]])
tensor1 = torch.tensor([5, 0, 3])
tensor2 = torch.tensor([[5, 5, 5],
[0, 0, 0],
[3, 3, 3]])
torch.eq(input=tensor1, other=tensor2)
torch.eq(input=tensor2, other=tensor1)
# tensor([[True, False, False],
# [False, True, False],
# [False, False, True]])
torch.eq(input=tensor1, other=3)
# tensor([False, False, True])
torch.eq(input=tensor2, other=3)
# tensor([[False, False, False],
# [False, False, False],
# [True, True, True]])
tensor1 = torch.tensor([5., 0., 3.])
tensor2 = torch.tensor([[5., 5., 5.],
[0., 0., 0.],
[3., 3., 3.]])
torch.eq(input=tensor1, other=tensor2)
# tensor([[True, False, False],
# [False, True, False],
# [False, False, True]])
torch.eq(input=tensor1, other=3.)
# tensor([False, False, True])
tensor1 = torch.tensor([5.+0.j, 0.+0.j, 3.+0.j])
tensor2 = torch.tensor([[5.+0.j, 5.+0.j, 5.+0.j],
[0.+0.j, 0.+0.j, 0.+0.j],
[3.+0.j, 3.+0.j, 3.+.0j]])
torch.eq(input=tensor1, other=tensor2)
# tensor([[True, False, False],
# [False, True, False],
# [False, False, True]])
torch.eq(input=tensor1, other=3.+0.j)
# tensor([False, False, True])
tensor1 = torch.tensor([True, False, True])
tensor2 = torch.tensor([[True, False, True],
[False, True, False],
[True, False, True]])
torch.eq(input=tensor1, other=tensor2)
# tensor([[True, True, True],
# [False, False, False],
# [True, True, True]])
torch.eq(input=tensor1, other=True)
# tensor([True, False, True])
Nach dem Login kopieren
ne() kann prüfen, ob die null oder mehr Elemente des 1. 0D- oder mehr D-Tensors elementweise nicht gleich den null oder mehr Elementen des 2. 0D oder mehr D-Tensors sind, und so den 0D oder mehr D-Tensor erhalten aus null oder mehr Elementen, wie unten gezeigt:
*Memos:
-
ne() kann mit Torch oder einem Tensor verwendet werden.
- Das 1. Argument (Eingabe) mit Torch oder unter Verwendung eines Tensors (Required-Type:Tensor von int, float, complex oder bool).
- Das 2. Argument mit Torch oder das 1. Argument mit einem Tensor ist other(Required-Type:Tensor oder Skalar von int, float, complex oder bool).
- Es gibt kein Argument mit Torch(Optional-Default:None-Type:tensor):
*Memos:
-
out= muss verwendet werden.
-
Mein Beitrag erklärt unser Argument.
-
not_equal() ist der Alias von ne().
import torch
tensor1 = torch.tensor([5, 0, 3])
tensor2 = torch.tensor([7, 0, 3])
torch.ne(input=tensor1, other=tensor2)
tensor1.ne(other=tensor2)
torch.ne(input=tensor2, other=tensor1)
# tensor([True, False, False])
tensor1 = torch.tensor(5)
tensor2 = torch.tensor([[3, 5, 4],
[6, 3, 5]])
torch.ne(input=tensor1, other=tensor2)
torch.ne(input=tensor2, other=tensor1)
# tensor([[True, False, True],
# [True, True, False]])
torch.ne(input=tensor1, other=3)
# tensor(True)
torch.ne(input=tensor2, other=3)
# tensor([[False, True, True],
# [True, False, True]])
tensor1 = torch.tensor([5, 0, 3])
tensor2 = torch.tensor([[5, 5, 5],
[0, 0, 0],
[3, 3, 3]])
torch.ne(input=tensor1, other=tensor2)
torch.ne(input=tensor2, other=tensor1)
# tensor([[False, True, True],
# [True, False, True],
# [True, True, False]])
torch.ne(input=tensor1, other=3)
# tensor([True, True, False])
torch.ne(input=tensor2, other=3)
# tensor([[True, True, True],
# [True, True, True],
# [False, False, False]])
tensor1 = torch.tensor([5., 0., 3.])
tensor2 = torch.tensor([[5., 5., 5.],
[0., 0., 0.],
[3., 3., 3.]])
torch.ne(input=tensor1, other=tensor2)
# tensor([[False, True, True],
# [True, False, True],
# [True, True, False]])
torch.ne(input=tensor1, other=3.)
# tensor([True, True, False])
tensor1 = torch.tensor([5.+0.j, 0.+0.j, 3.+0.j])
tensor2 = torch.tensor([[5.+0.j, 5.+0.j, 5.+0.j],
[0.+0.j, 0.+0.j, 0.+0.j],
[3.+0.j, 3.+0.j, 3.+.0j]])
torch.ne(input=tensor1, other=tensor2)
# tensor([[False, True, True],
# [True, False, True],
# [True, True, False]])
torch.ne(input=tensor1, other=3.+0.j)
# tensor([True, True, False])
tensor1 = torch.tensor([True, False, True])
tensor2 = torch.tensor([[True, False, True],
[False, True, False],
[True, False, True]])
torch.ne(input=tensor1, other=tensor2)
# tensor([[False, False, False],
# [True, True, True],
# [False, False, False]])
torch.ne(input=tensor1, other=True)
# tensor([False, True, False])
Nach dem Login kopieren
Das obige ist der detaillierte Inhalt voneq und ne in PyTorch. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
